
# Dependencies
#!pip install plotly
#!pip install xlrd


import pandas as pd 
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
from datetime import datetime

from sklearn.decomposition import PCA


exp = pd.read_excel('données_brutes_cpam_vf.xlsx') # Expenses
exp.head() # No NaNs


exp_gr = exp.groupby(['Année']).agg('sum').reset_index() # Sum per year
year = exp_gr['Année']
exp_gr_perc = exp_gr.pct_change().dropna()
exp_gr_perc['Année'] = year
exp_gr_perc # percentage increase year on year


# Some stats
# Perc
soins_de_villes_perc = exp_gr_perc['Total soins de ville'].mean() # 3.8 %

# Abs values
tot_soins = pd.DataFrame(exp_gr.sum(), columns=['total de 2010 a 2019'])
tot_soins['poids'] = 100*round(tot_soins['total de 2010 a 2019'] / tot_soins.loc['Total soins de ville','total de 2010 a 2019'],2)
tot_soins = tot_soins.sort_values('poids', ascending=False)
tot_soins


fig = px.line(
    exp_gr,
    x='Année',
    y=sorted([col for col in list(exp_gr.columns) if col not in ['Année', 'Total soins de ville']]),
    width=1000, height=700,
    markers=True,
    title = "Dépense des soins de ville entre 2010 et 2019 en France - En Milliards d '€",
    template="simple_white",
    labels={
        'variable':'poste de dépense',
        'value':'Dépense'
    }
)
fig.update_yaxes( # the y-axis is in euros
    tickprefix="€", showgrid=True
)
fig.add_shape( # add a vartical "target" line
    type="line", line_color="salmon", line_width=3, opacity=1, line_dash="dot",
    x0=2018, x1=2018, xref="x", y0=0, y1=12e9, yref="y"
)
fig.add_annotation( # Text 
    text="accélération de la hausse", x=2018, y=8e9, arrowhead=1, showarrow=False
)

fig.show()


exp_gr_pivot = exp_gr.melt( # Pivot
    id_vars='Année',
    var_name='Composante', 
    value_name="Dépense"
)

fig = px.bar(
    exp_gr_pivot[(exp_gr_pivot['Année']==2019) & (exp_gr_pivot['Composante']!='Total soins de ville')] \
        .sort_values('Dépense', ascending=False),
    x='Composante',
    y='Dépense',
    width=1000, height=700,
    title = "Dépenses en soins de ville pour l'année 2019 - En Milliards d '€",
    template="simple_white"
)
fig.update_yaxes( # the y-axis is in euros
    tickprefix="€", showgrid=True
)


exp.head()


exp_pivot = exp.melt( # Pivot
    id_vars=['Département','Année'],
    var_name='Composante', 
    value_name="Dépense"
)
exp_pivot_top3_tot = exp_pivot[exp_pivot.groupby('Année')['Dépense'].rank(ascending=False).le(3)]
exp_pivot_top3_tot['Département'] = exp_pivot_top3_tot['Département'].astype('str').replace(to_replace={
    '13':'Bouches-du-Rhône',
    '59':'Nord',
    '69':'Rhône',
    '75':'Paris'
})
exp_pivot_top3_tot

C:\Users\nicco\anaconda3\envs\test-env\lib\site-packages\ipykernel_launcher.py:11: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy


fig = px.scatter(
    exp[['Année','Total soins de ville', 'Département']],
    x='Année',
    y='Total soins de ville',
    template="simple_white",
    hover_data = ['Département'],
    title = "Dépenses en soins de ville par departement entre 2010 et 2019 - En Milliards d '€"
)
fig.update_yaxes( # the y-axis is in euros
    tickprefix="€", showgrid=True
)


exp_pivot_tail3_tot = exp_pivot[exp_pivot.Composante=='Total soins de ville'] 
exp_pivot_tail3_tot = exp_pivot_tail3_tot[exp_pivot_tail3_tot.groupby('Année')['Dépense'].rank(ascending=True).le(1)] # Min values
exp_pivot_tail3_tot['Dépense - Moyenne mobile sur 3 ans'] = exp_pivot_tail3_tot['Dépense'].rolling(3).mean()
exp_pivot_tail3_tot


exp_pivot_sub = exp_pivot[exp_pivot.Composante != 'Total soins de ville']
exp_pivot_sub
exp_pivot_sub_gr = exp_pivot_sub[exp_pivot_sub.groupby(['Année','Département'])['Dépense'] \
                    .rank(ascending=False) \
                    .le(1)]\
                    .sort_values(['Année','Dépense'], ascending=[True,False]) \
                    .groupby(['Année'])['Composante'] \
                    .value_counts() \
                    .to_frame(name='fréquence') \
                    .reset_index()
exp_pivot_sub_gr['pourcentage'] = 100 * exp_pivot_sub_gr['fréquence'] / 96 # 96: number of departements
exp_pivot_sub_gr


fig = px.bar(
    exp_pivot_top3_tot,
    x='Année',
    y='Dépense',
    color= 'Département',
    width=1000, height=700,
    title = "Top-3 des Départements par dépense en soins de ville - de 2010 à 2019 en Milliards d '€",
    barmode='group',
    template="simple_white"
)
fig.update_yaxes( # the y-axis is in dollars
    tickprefix="€", showgrid=True
)
fig.update_layout( # customize font and legend orientation & position
    #font_family="Rockwell",
    legend=dict(
        title=None, orientation="h", y=1, yanchor="bottom", x=0.5, xanchor="center"
    )
)
fig.show()


fig = px.bar(
    exp_pivot_sub_gr,
    x='Année',
    y='pourcentage',
    color= 'Composante',
    width=1000, height=700,
    title = "Distribution de la première dépense de soins par département",
    #barmode='group',
    template="simple_white"
)
fig.update_yaxes( # the y-axis is in dollars
  ticksuffix="%",showgrid=True
)
fig.update_layout( # customize font and legend orientation & position
    #font_family="Rockwell",
    legend=dict(
        title=None, orientation="h", y=1, yanchor="bottom", x=0.5, xanchor="center"
    )
)
fig.show()


exp19 = exp[exp.Année==2019]
exp19['Département'] = exp19['Département'].astype('str')

px.violin(
    exp19,
    y="Total soins de ville",
    width=1000, height=700,
    template="simple_white",
    title = 'Hétérogénéité des dépenses en soins de ville entre les départements en 2019',
    box=True
         )

C:\Users\nicco\anaconda3\envs\test-env\lib\site-packages\ipykernel_launcher.py:2: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy


# Population estimate
pop = pd.read_excel(
    'estim-pop-dep-sexe-gca-1975-2021.xlsx',
    sheet_name = '2019',
    header = [3,4]
) 
pop.columns = pop.columns.map('_'.join).str.strip('_')
pop = pop.rename(columns={
        'Départements_Unnamed: 0_level_1':'Département',
        'Départements_Unnamed: 1_level_1':'Nom du département',
})
pop = pop.dropna(subset=['Département'])
pop = pop[:-1] # Source : Insee - Estimations de population (résultats provisoires arrêtés fin 2020)
pop_fm = pop.loc[96,:]
pop_dom = pop[pop.Département == 'DOM']
pop_fm_dom = pop[pop.Département == 'France métropolitaine et DOM']
pop = pop[~pop.Département.isin([
    'France métropolitaine ', 'DOM', 'France métropolitaine et DOM'
])] 
pop.head()


# ALD
ald = pd.read_excel('ALD-prevalentes-par-departement_serie-annuelle_vf.xls') 
ald = ald.rename(columns={
        'Code département':'Département',
        'Total':'Total ALD',
})
ald = ald[:-3] # Pour Mayotte...
ald.head()


pop['Département'] = pop['Département'].astype('str').str.strip()
ald['Département'] = ald['Département'].astype('str').str.strip()

df = ald.merge(pop.drop('Nom du département',axis=1), how='left', on='Département')# No NaNs

for col in df.columns[2:]: 
    df[col] = df[col].astype('int')


# Add expenses as well
exp19['Département'] = exp19['Département'].replace({
    '1':'01','2':'02','3':'03','4':'04',
    '5':'05','6':'06','7':'07','8':'08',
    '9':'09'
})

df = df.merge(exp19[['Total soins de ville','Département']], how='left', on='Département').dropna() # DOM 
df.head()

C:\Users\nicco\anaconda3\envs\test-env\lib\site-packages\ipykernel_launcher.py:5: SettingWithCopyWarning:


A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy


y = df['Total ALD']
X = df.drop(columns=['Total ALD','Département','Nom du département'], axis=1)


from xgboost import XGBRegressor, XGBClassifier, plot_tree
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error, mean_absolute_percentage_error, accuracy_score, confusion_matrix


model = XGBRegressor()

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.10, random_state=42, shuffle=True
)

model.fit(X_train, y_train)
y_pred = model.predict(X_test)

mae = mean_absolute_error(y_test,y_pred)
mape = mean_absolute_percentage_error(y_test,y_pred)
print('mae:',mae)
print('mape:',mape*100)

mae: 593.5298828125
mape: 2.7662334721251076


def categorise(x):
    if x<0.5e9: # 0.5B €
        return 'Moins de 0.5 milliards'
    elif x>0.5e9 and x<1e9:
        return 'Entre 0.5 et 1 milliards'
    elif x>1e9 and x<1.5e9:
        return 'Entre 1 et 1.5 milliards'
    elif x>1.5e9:
        return 'Plus de 1.5 milliards'
    
df['categorie de dépense'] = df['Total soins de ville'].apply(categorise)
df['categorie de dépense'].value_counts()

Moins de 0.5 milliards      55
Entre 0.5 et 1 milliards    20
Entre 1 et 1.5 milliards    16
Plus de 1.5 milliards        5
Name: categorie de dépense, dtype: int64


y = df['categorie de dépense']
X = df.drop(columns=['categorie de dépense','Département','Nom du département', 'Total soins de ville'], axis=1)


model = XGBClassifier()

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.20, random_state=42, shuffle=True
)

model.fit(X_train, y_train)
y_pred = model.predict(X_test)

acc = accuracy_score(y_test,y_pred)
print('accuracy:',acc) # 85 %
print(confusion_matrix(y_test,y_pred))

C:\Users\nicco\anaconda3\envs\test-env\lib\site-packages\xgboost\sklearn.py:1146: UserWarning:

The use of label encoder in XGBClassifier is deprecated and will be removed in a future release. To remove this warning, do the following: 1) Pass option use_label_encoder=False when constructing XGBClassifier object; and 2) Encode your labels (y) as integers starting with 0, i.e. 0, 1, 2, ..., [num_class - 1].

[10:35:32] WARNING: C:/Users/Administrator/workspace/xgboost-win64_release_1.4.0/src/learner.cc:1095: Starting in XGBoost 1.3.0, the default evaluation metric used with the objective 'multi:softprob' was changed from 'merror' to 'mlogloss'. Explicitly set eval_metric if you'd like to restore the old behavior.
accuracy: 0.85
[[4 0 1 0]
 [0 3 0 0]
 [1 0 8 0]
 [0 1 0 2]]


import matplotlib.pyplot as plt
plt.figure()
plot_tree(model)
plt.savefig('tree.svg', format='svg', dpi=1200)

<Figure size 432x288 with 0 Axes>


# Apply rules from decision tree
df1 = df[df['Hommes_75 ans et plus'] < 23127.5] # 52 rows - Majority "Moins de 0.5 milliards"

df2 = df[(df['Hommes_75 ans et plus'] > 23127.5) & (df['Femmes_40 à 59 ans'] > 143373.5)] # 21 rows - HIgh level of expenses, Entre 1 et 1.5 milliards (16) Plus de 1.5 milliard  5

df3 = df[(df['Hommes_75 ans et plus'] > 23127.5) &
    (df['Femmes_40 à 59 ans'] < 143373.5) &
    (df['Ensemble_40 à 59 ans'] < 160918.5) # 6 rows - low expenses spectrum
  ] 

df4 = df[(df['Hommes_75 ans et plus'] > 23127.5) &
    (df['Femmes_40 à 59 ans'] < 143373.5) &
    (df['Ensemble_40 à 59 ans'] > 160918.5) # 17 rows - Majority "Entre 0.5 et 1 milliards"
  ]


fig = px.scatter(
    df,
    x = 'Hommes_75 ans et plus',
    y=  'Femmes_40 à 59 ans',
    color = 'categorie de dépense',
    size = 'Ensemble_40 à 59 ans',
    width=1000, height=700,
    template="simple_white",
    title = 'Distribution des départements par catégorie de dépense en fonction de la séniorité des individus',
    category_orders={'categorie de dépense':[
        'Moins de 0.5 milliards', 'Entre 0.5 et 1 milliards',
        'Entre 1 et 1.5 milliards', 'Plus de 1.5 milliards'
    ]},
    labels = {
        'Hommes_75 ans et plus':'Hommes de plus de 75 ans',
        'Femmes_40 à 59 ans':'Femmes de 40 à 59 ans'
    }
)
fig.update_yaxes( 
  showgrid=True
)
fig.add_shape( # add a vartical "target" line
    type="line", line_color="salmon", line_width=3, opacity=0.5, line_dash="dot",
    x0=23127.5, x1=23127.5, xref="x", y0=0, y1=350e3, yref="y"
)
fig.add_shape( # add a vartical "target" line
    type="line", line_color="salmon", line_width=3, opacity=0.5, line_dash="dot",
    x0=0, x1=80e3, xref="x", y0=143373.5, y1=143373.5, yref="y"
)
fig.add_annotation( # Text 
    text="23k Hommes de 75 ans et plus", x=23127.5, y=330e3, arrowhead=1, showarrow=False
)
fig.add_annotation( # Text 
    text="140k Femmes de 40 a 59 ans", x=80e3, y=150000, arrowhead=1, showarrow=False
)

	Département	Année	Omnipraticiens libéraux	Spécialistes libéraux	Dentistes libéraux	Infirmiers libéraux	Masseurs kinésithérapeutes libéraux	Laboratoires	LPP	Frais de déplacement des malades	Prestations en espèces	Total soins de ville
0	1	2010	3.582113e+07	6.444343e+07	21467728.07	27085715.55	17216247.62	2.123551e+07	28271592.30	2.452481e+07	1.008467e+08	3.409128e+08
1	2	2010	4.478957e+07	6.449599e+07	20494481.65	29021929.08	14727914.21	2.254906e+07	38204694.09	3.154759e+07	6.901815e+07	3.348494e+08
2	3	2010	2.551692e+07	3.789959e+07	13197445.20	20639792.20	13171912.57	1.435779e+07	21777766.98	1.883787e+07	4.327667e+07	2.086758e+08
3	4	2010	1.374312e+07	2.117643e+07	5844021.90	15259847.45	8078144.88	8.486306e+06	11472255.18	1.434790e+07	1.978911e+07	1.181971e+08
4	5	2010	1.078393e+07	1.320859e+07	4811436.19	9458520.60	7210305.26	5.575621e+06	8548619.79	9.310945e+06	1.707412e+07	8.598209e+07

	Année	Omnipraticiens libéraux	Spécialistes libéraux	Dentistes libéraux	Infirmiers libéraux	Masseurs kinésithérapeutes libéraux	Laboratoires	LPP	Frais de déplacement des malades	Prestations en espèces	Total soins de ville
1	2011	0.054165	0.022613	0.008391	0.060670	0.023866	0.017908	0.044253	0.035526	0.025794	0.032526
2	2012	-0.007480	0.005810	0.004859	0.073691	0.047216	-0.017062	0.040825	0.042050	-0.015217	0.012959
3	2013	0.062142	0.022010	0.005229	0.083629	0.064528	0.008333	0.065945	0.056759	0.003087	0.036891
4	2014	0.024483	0.026739	0.006234	0.054909	0.044684	-0.005254	0.057010	0.033408	0.040336	0.033629
5	2015	0.028330	0.041878	0.034892	0.059087	0.036142	0.000893	0.060857	0.038878	0.035321	0.039126
6	2016	0.014915	0.034816	0.015499	0.046523	0.037027	0.023789	0.056922	0.046614	0.040696	0.036436
7	2017	0.027195	0.025717	0.013077	0.042732	0.029900	0.003413	0.045729	0.037118	0.039769	0.031895
8	2018	0.001574	0.042035	0.010243	0.051368	0.034026	-0.001549	0.038450	0.033860	0.052274	0.034439
9	2019	0.094050	0.095079	0.108328	0.100923	0.084022	0.086796	0.111242	0.041637	0.070031	0.087762

	total de 2010 a 2019	poids
Total soins de ville	4.678051e+11	100.0
Prestations en espèces	9.628912e+10	21.0
Spécialistes libéraux	9.393026e+10	20.0
Omnipraticiens libéraux	5.704222e+10	12.0
Infirmiers libéraux	4.966443e+10	11.0
LPP	4.997623e+10	11.0
Masseurs kinésithérapeutes libéraux	3.044648e+10	7.0
Frais de déplacement des malades	3.419082e+10	7.0
Dentistes libéraux	2.728325e+10	6.0
Laboratoires	2.898227e+10	6.0
Année	2.014500e+04	0.0

	Département	Année	Omnipraticiens libéraux	Spécialistes libéraux	Dentistes libéraux	Infirmiers libéraux	Masseurs kinésithérapeutes libéraux	Laboratoires	LPP	Frais de déplacement des malades	Prestations en espèces	Total soins de ville
0	1	2010	3.582113e+07	6.444343e+07	21467728.07	27085715.55	17216247.62	2.123551e+07	28271592.30	2.452481e+07	1.008467e+08	3.409128e+08
1	2	2010	4.478957e+07	6.449599e+07	20494481.65	29021929.08	14727914.21	2.254906e+07	38204694.09	3.154759e+07	6.901815e+07	3.348494e+08
2	3	2010	2.551692e+07	3.789959e+07	13197445.20	20639792.20	13171912.57	1.435779e+07	21777766.98	1.883787e+07	4.327667e+07	2.086758e+08
3	4	2010	1.374312e+07	2.117643e+07	5844021.90	15259847.45	8078144.88	8.486306e+06	11472255.18	1.434790e+07	1.978911e+07	1.181971e+08
4	5	2010	1.078393e+07	1.320859e+07	4811436.19	9458520.60	7210305.26	5.575621e+06	8548619.79	9.310945e+06	1.707412e+07	8.598209e+07

	Département	Année	Composante	Dépense
8652	Bouches-du-Rhône	2010	Total soins de ville	1.997630e+09
8697	Nord	2010	Total soins de ville	1.792959e+09
8713	Paris	2010	Total soins de ville	1.283393e+09
8748	Bouches-du-Rhône	2011	Total soins de ville	2.045580e+09
8793	Nord	2011	Total soins de ville	1.873293e+09
8809	Paris	2011	Total soins de ville	1.288387e+09
8844	Bouches-du-Rhône	2012	Total soins de ville	2.060623e+09
8889	Nord	2012	Total soins de ville	1.914837e+09
8905	Paris	2012	Total soins de ville	1.295414e+09
8940	Bouches-du-Rhône	2013	Total soins de ville	2.151754e+09
8985	Nord	2013	Total soins de ville	1.986267e+09
9001	Paris	2013	Total soins de ville	1.314424e+09
9036	Bouches-du-Rhône	2014	Total soins de ville	2.205873e+09
9081	Nord	2014	Total soins de ville	2.076888e+09
9097	Paris	2014	Total soins de ville	1.352763e+09
9132	Bouches-du-Rhône	2015	Total soins de ville	2.287674e+09
9177	Nord	2015	Total soins de ville	2.157864e+09
9193	Paris	2015	Total soins de ville	1.370263e+09
9228	Bouches-du-Rhône	2016	Total soins de ville	2.351559e+09
9273	Nord	2016	Total soins de ville	2.232632e+09
9289	Paris	2016	Total soins de ville	1.417495e+09
9324	Bouches-du-Rhône	2017	Total soins de ville	2.400885e+09
9369	Nord	2017	Total soins de ville	2.296586e+09
9385	Paris	2017	Total soins de ville	1.454464e+09
9420	Bouches-du-Rhône	2018	Total soins de ville	2.468346e+09
9465	Nord	2018	Total soins de ville	2.378330e+09
9475	Rhône	2018	Total soins de ville	1.507025e+09
9516	Bouches-du-Rhône	2019	Total soins de ville	2.650593e+09
9561	Nord	2019	Total soins de ville	2.539484e+09
9577	Paris	2019	Total soins de ville	1.628976e+09

Analyse quantitative des dépenses de soins de ville¶

1. Analysez les différentes composantes de la hausse des dépenses de soins de ville entre 2010 et 2019.¶

Au niveau francais dans sa globalite¶

Par Departement¶

2. À l’aide d’un modèle, expliquez l’hétérogénéité de la demande en soins de ville entre départements pour l’année 2019 à partir des données démographiques et des données d’affectation de longue durée pour cette même année.¶

Modele 1.a XgBoost Regression - Tot ALD as a proxy for demand¶

Modele 1.b XgBoost Regression - Tot ALD as a proxy for demand¶

	Département	Année	Composante	Dépense	Dépense - Moyenne mobile sur 3 ans
8686	48	2010	Total soins de ville	4.121377e+07	NaN
8782	48	2011	Total soins de ville	4.265398e+07	NaN
8878	48	2012	Total soins de ville	4.312395e+07	4.233057e+07
8974	48	2013	Total soins de ville	4.458788e+07	4.345527e+07
9070	48	2014	Total soins de ville	4.649024e+07	4.473402e+07
9166	48	2015	Total soins de ville	4.805181e+07	4.637664e+07
9262	48	2016	Total soins de ville	4.924266e+07	4.792824e+07
9358	48	2017	Total soins de ville	4.958974e+07	4.896140e+07
9454	48	2018	Total soins de ville	5.055527e+07	4.979589e+07
9550	48	2019	Total soins de ville	5.781228e+07	5.265243e+07

	Année	Composante	fréquence	pourcentage
0	2010	Prestations en espèces	59	61.458333
1	2010	Spécialistes libéraux	35	36.458333
2	2010	Frais de déplacement des malades	1	1.041667
3	2010	Infirmiers libéraux	1	1.041667
4	2011	Prestations en espèces	58	60.416667
5	2011	Spécialistes libéraux	35	36.458333
6	2011	Infirmiers libéraux	2	2.083333
7	2011	Frais de déplacement des malades	1	1.041667
8	2012	Prestations en espèces	57	59.375000
9	2012	Spécialistes libéraux	36	37.500000
10	2012	Infirmiers libéraux	2	2.083333
11	2012	Frais de déplacement des malades	1	1.041667
12	2013	Prestations en espèces	56	58.333333
13	2013	Spécialistes libéraux	36	37.500000
14	2013	Infirmiers libéraux	3	3.125000
15	2013	Frais de déplacement des malades	1	1.041667
16	2014	Prestations en espèces	59	61.458333
17	2014	Spécialistes libéraux	33	34.375000
18	2014	Infirmiers libéraux	3	3.125000
19	2014	Frais de déplacement des malades	1	1.041667
20	2015	Prestations en espèces	57	59.375000
21	2015	Spécialistes libéraux	35	36.458333
22	2015	Infirmiers libéraux	3	3.125000
23	2015	Frais de déplacement des malades	1	1.041667
24	2016	Prestations en espèces	59	61.458333
25	2016	Spécialistes libéraux	33	34.375000
26	2016	Infirmiers libéraux	3	3.125000
27	2016	Frais de déplacement des malades	1	1.041667
28	2017	Prestations en espèces	58	60.416667
29	2017	Spécialistes libéraux	33	34.375000
30	2017	Infirmiers libéraux	4	4.166667
31	2017	Frais de déplacement des malades	1	1.041667
32	2018	Prestations en espèces	60	62.500000
33	2018	Spécialistes libéraux	30	31.250000
34	2018	Infirmiers libéraux	4	4.166667
35	2018	Frais de déplacement des malades	2	2.083333
36	2019	Prestations en espèces	60	62.500000
37	2019	Spécialistes libéraux	31	32.291667
38	2019	Infirmiers libéraux	4	4.166667
39	2019	Frais de déplacement des malades	1	1.041667

	Département	Nom du département	Ensemble_0 à 19 ans	Ensemble_20 à 39 ans	Ensemble_40 à 59 ans	Ensemble_60 à 74 ans	Ensemble_75 ans et plus	Ensemble_Total	Hommes_0 à 19 ans	Hommes_20 à 39 ans	Hommes_40 à 59 ans	Hommes_60 à 74 ans	Hommes_75 ans et plus	Hommes_Total	Femmes_0 à 19 ans	Femmes_20 à 39 ans	Femmes_40 à 59 ans	Femmes_60 à 74 ans	Femmes_75 ans et plus	Femmes_Total
0	01	Ain	168091.0	151167.0	178448.0	102042.0	53112.0	652860.0	86874.0	75432.0	89041.0	49114.0	21362.0	321823.0	81217.0	75735.0	89407.0	52928.0	31750.0	331037.0
1	02	Aisne	132910.0	115437.0	137721.0	96234.0	48683.0	530985.0	68421.0	57832.0	68188.0	46110.0	18188.0	258739.0	64489.0	57605.0	69533.0	50124.0	30495.0	272246.0
2	03	Allier	68963.0	62009.0	87142.0	71555.0	45868.0	335537.0	35605.0	31302.0	42841.0	33500.0	17570.0	160818.0	33358.0	30707.0	44301.0	38055.0	28298.0	174719.0
3	04	Alpes-de-Haute-Provence	34398.0	30454.0	43971.0	34900.0	20940.0	164663.0	18068.0	15171.0	21352.0	16909.0	8522.0	80022.0	16330.0	15283.0	22619.0	17991.0	12418.0	84641.0
4	05	Hautes-Alpes	30038.0	27524.0	38137.0	28913.0	15945.0	140557.0	15639.0	13819.0	18804.0	13947.0	6382.0	68591.0	14399.0	13705.0	19333.0	14966.0	9563.0	71966.0

	Département	Nom du département	Total ALD	Insuffisance cardiaque grave, troubles du rythme graves, cardiopathies valvulaires graves, cardiopathies congénitales graves (ALD5)	Diabète de type 1 et diabète de type 2 (ALD8)	Maladie coronaire (ALD13)	Affections psychiatriques de longue durée (ALD23)	Tumeur maligne, affection maligne du tissu lymphatique ou hématopoïétique (ALD30)
0	01	Ain	20643.0	1963.0	4565.0	1994.0	2122.0	3873
1	02	Aisne	23514.0	2199.0	6284.0	2417.0	2160.0	3718
2	03	Allier	25140.0	2151.0	5169.0	2370.0	3503.0	4353
3	04	Alpes-de-Haute-Provence	23538.0	2065.0	4135.0	2143.0	3540.0	3887
4	05	Hautes-Alpes	23613.0	2367.0	3490.0	1941.0	3462.0	3945

	Département	Nom du département	Total ALD	Insuffisance cardiaque grave, troubles du rythme graves, cardiopathies valvulaires graves, cardiopathies congénitales graves (ALD5)	Diabète de type 1 et diabète de type 2 (ALD8)	Maladie coronaire (ALD13)	Affections psychiatriques de longue durée (ALD23)	Tumeur maligne, affection maligne du tissu lymphatique ou hématopoïétique (ALD30)	Ensemble_0 à 19 ans	Ensemble_20 à 39 ans	...	Hommes_60 à 74 ans	Hommes_75 ans et plus	Hommes_Total	Femmes_0 à 19 ans	Femmes_20 à 39 ans	Femmes_40 à 59 ans	Femmes_60 à 74 ans	Femmes_75 ans et plus	Femmes_Total	Total soins de ville
0	01	Ain	20643	1963	4565	1994	2122	3873	168091	151167	...	49114	21362	321823	81217	75735	89407	52928	31750	331037	5.106213e+08
1	02	Aisne	23514	2199	6284	2417	2160	3718	132910	115437	...	46110	18188	258739	64489	57605	69533	50124	30495	272246	4.581757e+08
2	03	Allier	25140	2151	5169	2370	3503	4353	68963	62009	...	33500	17570	160818	33358	30707	44301	38055	28298	174719	2.888785e+08
3	04	Alpes-de-Haute-Provence	23538	2065	4135	2143	3540	3887	34398	30454	...	16909	8522	80022	16330	15283	22619	17991	12418	84641	1.667391e+08
4	05	Hautes-Alpes	23613	2367	3490	1941	3462	3945	30038	27524	...	13947	6382	68591	14399	13705	19333	14966	9563	71966	1.269668e+08